Sparse spatio-temporal autoregressions by profiling and bagging
通过剖面化与袋装法估计稀疏时空自回归模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究时空自回归动态与相互关联的系数结构，并使用社会网络数据进行说明。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过剖面化与袋装法估计稀疏时空自回归模型
- 研究问题
- 在含外生变量的稀疏时空自回归模型中，如何同时处理内生性、估计方程过多的问题及未知稀疏结构？
- 方法与思路
- 作者先从响应中剖离外生变量，再以 GMM 和袋装估计处理相关问题，结合前向后向贪婪算法与 BIC 型准则选变量。
- 材料陈述的贡献
- 摘要提出一套稀疏时空模型估计与选择方法，研究其渐近性质，并通过模拟及社会网络数据展示方法。
- 阅读关注点
- 应核对矩条件与工具变量的来源、袋装法处理过度确定问题的机制，以及稀疏结构学习和选择准则的理论条件。
- 阅读边界
- 仅依据所给出版社摘要；稀疏度、维度增长与网络结构条件未说明，模拟和应用也不足以直接证明普遍优势。
原文摘要
We consider a new class of spatio-temporal models with sparse autoregressive coefficient matrices and exogenous variable. To estimate the model, we first profile the exogenous variable out of the response. This leads to a profiled model structure. Next, to overcome endogeneity issue, we propose a class of generalized methods of moment (GMM) estimators to estimate the autoregressive coefficient matrices. A novel bagging-based estimator is further developed to conquer the over-determined issue which also occurs in Chang et al. (2015) and Dou et al. (2016). An adaptive forward–backward greedy algorithm is proposed to learn the sparse structure of the autoregressive coefficient matrices. A new BIC-type selection criteria is further developed to conduct variable selection for GMM estimators. Asymptotic properties are further studied. The proposed methodology is illustrated with extensive simulation studies. A social network dataset is analyzed for illustration purpose.